有個基本的觀念就是需要建立模型才能實現各種功能，無論是識別數據的類型、預測連續數值或是分析時間序列數據等，所以今天我打算從基礎的模型觀念開始了解。

1. 模組 (Module) :
   模組指的是一組功能相關的組件，它可以被單獨開發和測試，並在其他部分中重複使用。在 TensorFlow 中，模組通常指的是某個特定功能的封裝，例如卷積層、激活函數或損失函數等。它被分在 tf.Module 或 tf.keras.Model 類，可以自定義模組，讓代碼更容易管理。
   以下是簡單示範的程式碼:

import tensorflow as tf
class MyModule(tf.Module):
    def __init__(self):
        super(MyModule, self).__init__()
        self.dense = tf.keras.layers.Dense(10)
    def __call__(self, x):
        return self.dense(x)
module = MyModule()
output = module(tf.random.normal([5, 5]))

2. 層 (Layer) :
   層是神經網路中的基本構建塊，每一層對輸入數據進行處理，並將結果傳遞給下一層。常見的層有：
   (1)卷積層 (Convolution Layer)：用於處理圖像數據，提取空間特徵。
   (2)全連接層 (Fully Connected Layer)：每個輸入與輸出節點連接，常用於分類任務。
   (3)池化層 (Pooling Layer)：減少數據維度，保留重要特徵。
   (4)激活層 (Activation Layer)：引入非線性，使網絡能夠學習複雜的函數。
   以下是使用預定義層:

import tensorflow as tf
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(32,)),
    tf.keras.layers.Dense(10, activation='softmax')
])
x = tf.random.normal((1, 32))
output = model(x)

3. 模型 (Model) :
   模型是多個層和模組組合而成的系統，負責對輸入數據進行預測或分類，一個模型由輸入層、隱藏層和輸出層組成。常見的模型有卷積神經網絡（CNN）、循環神經網絡（RNN）等。在 TensorFlow 中，可以使用 tf.keras.Model 來定義自己的模型，或使用 tf.keras.Sequential 來按順序堆疊層。
   使用 tf.keras.Sequential：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(32,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

使用 tf.keras.Model 自定義模型：

class MyModel(tf.keras.Model):
    def __init__(self):
        super(MyModel, self).__init__()
        self.dense1 = tf.keras.layers.Dense(64, activation='relu')
        self.dense2 = tf.keras.layers.Dense(10, activation='softmax')
    def call(self, inputs):
        x = self.dense1(inputs)
        return self.dense2(x)
model = MyModel()
output = model(tf.random.normal((1, 32)))